JP4989021B2 - 客観的なスピーチ品質評価において時間／言語歪みを反映する方法 - Google Patents

Description

本発明は概して、コミュニケーション・システム、特に、スピーチ品質評価に関する。

無線通信システムの性能は、とりわけ、スピーチ品質によって測定されることができる。現在の技術では、２つのスピーチ品質評価技法が存在する。第１の技法は、主観的な技法である（以降では、「主観的なスピーチ品質評価」と呼ぶ）。主観的なスピーチ品質評価において、通常、人の聴取者を用いて、処理されたスピーチのスピーチ品質が評価される。そこでは、処理されたスピーチは、受け手側で処理された送信されたスピーチ信号である。この技法は主観的である。なぜなら、この技法は、個々の人の認識に基づいているからであり、母国語を話す人、すなわち、提示されている、すなわち、聞き取られているスピーチ素材の言語を話す人々による、スピーチ品質の人による評価は通常、言語効果を考慮する。調査が示したところでは、言語についての聴取者の知識が、主観的聴取テストにおける点数に影響を与える。スピーチの言語情報が欠けている、すなわち、無音であると、主観的聴取テストにおいて、母国語の聴取者が与える点数は、母国語でない聴取者が与える点数に比べて低かった。通常の電話の会話では、聴取者が母国語の聴取者である場合が多い。したがって、通常の状態をエミュレートするために、主観的なスピーチ品質評価について母国語の聴取者を用いるのが好ましい。主観的なスピーチ品質評価技法は、良好なスピーチ品質評価を提供するが、高価で、時間がかかる可能性がある。

第２の技法は客観的手法である（以降では、「客観的なスピーチ品質評価」と呼ぶ）。客観的なスピーチ品質評価は個々の人の認識に基づかない。客観的なスピーチ品質評価技法には、既知のソース・スピーチまたは処理されたスピーチから推定した再構成されたソース・スピーチに基づくものもある。他の客観的なスピーチ品質評価技法は、既知のソース・スピーチではなく、処理されたスピーチのみに基づく。これら後者の技法は、本明細書では、「シングルエンドの客観的なスピーチ品質評価技法」と呼ばれ、既知のソース・スピーチまたは再構成されたソース・スピーチが利用できない時に用いられる場合が多い。

しかし、現行のシングルエンドの客観的なスピーチ品質評価技法は、主観的なスピーチ品質評価技法に比べて、それほど良好なスピーチ品質評価を提供しない。現行のシングルエンドの客観的なスピーチ品質評価技法が、主観的なスピーチ品質評価技法に比べて良好でない１つの理由は、前者の技法が言語影響を考慮(account)しないためである。現行のシングルエンドの客観的なスピーチ品質評価技法は、そのスピーチ評価において言語効果を考慮することができなかった。

したがって、スピーチ評価において言語効果を考慮するシングルエンド（single-ended）の客観的なスピーチ品質評価技法に対する必要性が存在している。

本発明は、主観的なスピーチ品質評価に対する歪みの影響をモデル化することによって、スピーチ品質評価全体を支配する可能性のある歪みの影響を反映し、それによって、客観的なスピーチ品質評価において言語影響を考慮する客観的なスピーチ品質評価技法である。一実施形態において、本発明の客観的なスピーチ品質評価技法は、包絡線情報を用いてスピーチ活動の間隔における歪みを検出する工程と、上記スピーチ活動に関連する客観的スピーチ品質評価値を修正する工程であって、それによって、主観的スピーチ品質評価に対する前記歪みの影響を反映する、客観的スピーチ品質評価値を修正する工程とを含む。一実施形態において、本発明の客観的なスピーチ品質評価技法はまた、短いバースト、急な停止、および急な開始などの歪みタイプを識別し、客観的スピーチ品質評価値を修正して、主観的スピーチ品質評価に対する各歪みのタイプの種々の影響を反映するようにする。

本発明の特徴、態様、および利点は、以下の説明、添付特許請求項、および添付図面に関してよりよく理解されるであろう。

本発明は、主観的なスピーチ品質評価に対する歪みの影響をモデル化することによって、スピーチ品質評価全体を支配する可能性のある歪みの影響を反映し、それによって、客観的なスピーチ品質評価において言語影響を考慮する客観的なスピーチ品質評価技法である。

図１は、本発明の一実施形態による、言語影響を考慮する客観的なスピーチ品質評価技法を示すフローチャート１００である。工程１０２にて、スピーチ信号ｓ（ｎ）を処理して、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）、すなわち、フレームｍにおける客観的なスピーチ品質が求められる。一実施形態において、各フレームｍは６４ｍｓ間隔に対応する。スピーチ信号ｓ（ｎ）を処理して、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）（言語影響を考慮しない）を得る方法は、当技術分野ではよく知られている。こうした処理の一例は、発明者Ｄｏｈ−Ｓｕｋ Ｋｉｍによって２００２年７月１日に出願された「Compensation Of Utterance Dependent Articulation For Speech Quality Assessment」という名称の同時係属中の特許第１０／１８６，８６２号に記載されている。
米国特許出願第１０／１８６，８６２号

工程１０５にて、スピーチ信号ｓ（ｎ）は、音声活動について、たとえば、音声活動検出器（ＶＡＤ）によって分析される。ＶＡＤは当技術分野ではよく知られている。図２は、本発明の一実施形態による、スピーチ信号に関連する包絡線情報を調べることによって音声活動を検出するＶＡＤを説明するフローチャート２００を示す。工程２０５において、包絡線信号γ_ｋ（ｎ）は、全ての蝸牛チャネルｋについて合計され、式（１）、すなわち、

に従って、合計した包絡線信号γ（ｎ）が形成される。ここで、

であり、ｎは時間指数であり、Ｎ_ｃｂは臨界帯域の全数を表し、ｓ_ｋ（ｎ）は蝸牛チャネルｋを通したスピーチ信号ｓ（ｎ）の出力、すなわち、ｓ_ｋ（ｎ）＝ｓ（ｎ）^＊ｈ_ｋ（ｎ）であり、

はｓ_ｋ（ｎ）のヒルベルト変換である。

工程２１０にて、フレーム包絡線ｅ（ｌ）は、式（２）、すなわち、

に従って、合計した包絡線信号γ（ｎ）を４ｍｓのハミング窓ｗ（ｎ）で乗算することによって、２ｍｓごとに計算される。ここで、γ^（ｌ）（ｎ）は、合計した包絡線信号γ（ｎ）の２ｍｓのｌ番目のフレーム信号である。フレーム包絡線ｅ（ｌ）およびハミング窓ｗ（ｎ）の持続期間は、単に説明するためのものであること、および、他の持続期間が可能であることが理解されるべきである。工程２１５にて、式（３）に従って、フレーム包絡線ｅ（ｌ）に対して下限規定（ｆｌｏｏｒｉｎｇ）操作が適用される。

工程２２０にて、式（４）、すなわち、

に従って、下限規定されたフレーム包絡線ｅ（ｌ）の時間導関数Δｅ（ｌ）が得られる。ここで、−３≦ｊ≦３である。

工程２２５において、式（５）に従って、音声活動検出が行われる。

工程２３０にて、式（５）の結果、すなわち、ｖａｄ（ｌ）が、出力の１および０の持続期間に基づいて、細分されることができる。たとえば、ｖａｄ（ｌ）内の０の持続期間が８ｍｓより短い場合、ｖａｄ（ｌ）は、その持続期間について１に変えられるであろう。同様に、ｖａｄ（ｌ）内の１の持続期間が８ｍｓより短い場合、ｖａｄ（ｌ）は、その持続期間について０に変えられるであろう。図３は、スピーチおよびスピーチでない活動の間隔ＴおよびＧをそれぞれ説明する、例としてのＶＡＤ活動図３０を示す。間隔Ｔに関連するスピーチ活動は、たとえば、実際のスピーチ、データ、または雑音を含む可能性があることを理解すべきである。

図１のフローチャート１００に戻ると、工程１１０にて、スピーチ活動について、スピーチ信号ｓ（ｎ）を分析する時に、間隔Ｔを調べて、関連するスピーチ活動が、短いバーストかまたはインパルス雑音に対応するかどうかが判断される。間隔Ｔにおけるスピーチ活動が、短いバーストかまたはインパルス雑音であると判断される場合、工程１１５にて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）が修正されて、修正された客観的なスピーチ・フレーム品質評価

が得られる。修正された客観的なスピーチ・フレーム品質評価

は、主観的なスピーチ品質評価に対する短いバーストまたはインパルス雑音の影響をモデル化またはシミュレートすることによって、短いバーストまたはインパルス雑音の影響を考慮する。

工程１１５から、または、工程１１０にて、間隔Ｔにおけるスピーチ活動が、短いバーストかまたはインパルス雑音であると判断されない場合、フローチャート１００は工程１２０に進み、工程１２０にて、間隔Ｔにおけるスピーチ活動が調べられて、間隔Ｔにおけるスピーチ活動が急な停止または無音を有するかどうかが判断される。間隔Ｔにおけるスピーチ活動が急な停止または無音を有すると判断される場合、工程１２５にて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）が修正されて、修正された客観的なスピーチ・フレーム品質評価

が得られる。修正された客観的なスピーチ・フレーム品質評価

は、主観的なスピーチ品質評価に対する急な停止または無音及びこれに続く影響をモデル化またはシミュレートすることによって、急な停止または無音の影響を考慮する。

工程１２５から、または、工程１２０にて、間隔Ｔにおけるスピーチ活動が、急な停止かまたは無音であると判断されない場合、フローチャート１００は工程１３０に進み、工程１３０にて、間隔Ｔにおけるスピーチ活動が調べられて、間隔Ｔにおけるスピーチ活動が急な開始を有するかどうかが判断される。間隔Ｔにおけるスピーチ活動が急な開始を有すると判断される場合、工程１３５にて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）が修正されて、修正された客観的なスピーチ・フレーム品質評価

が得られる。客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）は、主観的なスピーチ品質評価に対する急な開始の影響をモデル化またはシミュレートすることによって、急な開始の影響を考慮する。工程１３５から、または、工程１３０にて、間隔Ｔにおけるスピーチ活動が、急な開始を有すると判断されない場合、フローチャート１００は工程１４５に進み、工程１４５にて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）に対する修正の結果がもしあれば、工程１０２の、元の客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）に統合される。

本発明の一実施形態に従って、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する技法、すなわち、工程１１５、工程１２５、および工程１３５と共に、スピーチ活動が、短いバースト（またはインパルス雑音）であるか、あるいは、急な停止（または無音）を有するか、あるいは、急な開始を有するか、すなわち、工程１１０、工程１２０、および工程１３０いずれかを判断する技法がここで述べられるであろう。図４は、スピーチ活動が短いバーストか、またはインパルス雑音であるかを判断し、短いバーストか、またはインパルス雑音であると判断されると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャート４００を示す。工程４０５にて、フレーム包絡線ｅ（ｌ）が、たとえば、式（６）、すなわち、

に従って最大であるような間隔Ｔ_ｉのフレームｌを見出すことによって、インパルス雑音フレームｌ_Ｉが求められる。ここで、ｕ_ｉおよびｄ_ｉはそれぞれ、間隔Ｔ_ｉの始まりと終わりのフレームｌを表す。工程４１０にて、フレーム包絡線ｅ（ｌ_Ｉ）は、人の聴取者が、対応するフレームｌ_Ｉを迷惑である短いバーストとして考えることができるかどうかを示す聴取者しきい値と比較される。一実施形態において、聴取者しきい値は８である。すなわち、工程４１０にて、ｅ（ｌ_Ｉ）がチェックされて、ｅ（ｌ_Ｉ）が８より大きいかどうかが判断される。フレーム包絡線ｅ（ｌ_Ｉ）が聴取者しきい値より大きくない場合、工程４１５にて、スピーチ活動は、短いバーストまたはインパルス雑音でないと判断される。

フレーム包絡線ｅ（ｌ_Ｉ）が聴取者しきい値より大きい場合、工程４２０にて、間隔Ｔ_ｉの持続期間がチェックされて、Ｔ_ｉの持続期間が、短いバーストのしきい値および認識しきい値の両方を満足するかどうかが判断される。すなわち、間隔Ｔ_ｉがチェックされて、間隔Ｔ_ｉが、人の聴取者が認識するのに短過ぎず、短いバーストとして分類するのに長過ぎないかどうかが判断される。一実施形態において、間隔Ｔ_ｉの持続期間が、２８ｍｓ以上でかつ６０ｍｓ以下、すなわち、２８≦Ｔ_ｉ≦６０である場合、工程４２０のしきい値の両方が満足される。そうでない時、工程４２０のしきい値は満足されない。工程４２０のしきい値が満足されない場合、工程４２５にて、スピーチ活動は、短いバーストかまたはインパルス雑音でないと判断される。

工程４２０のしきい値が満足される場合、工程４３０にて、最大デルタ・フレーム包絡線Δｅ（ｌ）が、間隔Ｔ_ｉの始まる前の１つまたは複数のフレームから間隔Ｔ_ｉの最初の１つまたは複数のフレームにおけるフレーム包絡線ｅ（ｌ）から求められ、その後、０．２５などの急な変化のしきい値と比較される。急な変化のしきい値は、フレーム包絡線の急な変化を識別するための基準を表す。一実施形態において、最大デルタ・フレーム包絡線Δｅ（ｌ）は、フレーム包絡線ｅ（ｕ_ｉ−１）、すなわち、間隔Ｔ_ｉの直前のフレーム包絡線から、フレーム包絡線ｅ（ｕ_ｉ＋５）、すなわち、間隔Ｔ_ｉの５番目のフレーム包絡線にわたって求められ、０．２５のしきい値と比較される。すなわち、工程４３０にて、最大デルタ・フレーム包絡線Δｅ（ｌ）がチェックされて、式（７）が、

を満たすかどうかが判断される。最大デルタ・フレーム包絡線Δｅ（ｌ）がしきい値を超えない場合、工程４３５にて、スピーチ活動が、短いバーストまたはインパルス雑音でないと判断される。

最大デルタ・フレーム包絡線Δｅ（ｌ）がしきい値を超える場合、工程４４０にて、フレームｍ_Ｉが人の聴取者にとって十分に迷惑であるかどうかが判断される。ここで、ｍ_Ｉは、インパルス雑音フレームｌ_Ｉによって最も影響を受けるフレームｍに対応する。一実施形態において、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ_Ｉ）と変調雑音基準ユニットν_ｑ（ｍ_Ｉ）との比が、雑音しきい値を超えているかどうかを判断することによって、工程４４０が達成される。工程４４０は、たとえば、１．１の雑音しきい値および式（８）、すなわち、

を用いて、表すことができる。ここで、式（８）が満たされる場合、フレームｍ_Ｉが人の聴取者にとって十分に迷惑であると判断されるであろう。客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ_Ｉ）が人の聴取者にとって十分に迷惑であると判断される場合、工程４４５にて、スピーチ活動は、短いバーストまたはインパルス雑音でないと判断される。

客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ_Ｉ）が人の聴取者にとってそれほどうるさくないと判断される場合、工程４５０にて、所定の最小または最大持続期間しきい値を満たす間隔Ｇ_{ｉ−１，ｉ}、Ｇ_{ｉ，ｉ＋１}、Ｔ_ｉ−１、および／またはＴ_ｉ＋１の持続期間に関する条件がチェックされて、条件が人のスピーチに属することが確認される。一実施形態において、工程４５０の条件は、式（９）および式（１０）として表される。
Ｇ_{ｉ−１，ｉ}＜１８０ｍｓ、Ｇ_{ｉ，ｉ＋１}＞４０ｍｓおよびＴ_ｉ−１＞５０ｍｓ （９）
Ｇ_{ｉ−１，ｉ}＞４０ｍｓ、Ｇ_{ｉ，ｉ＋１}＜１００ｍｓおよびＴ_ｉ−１＞６０ｍｓ （１０）
これらの式または条件の任意のものが満たされる場合、工程４５５にて、スピーチ活動は、短いバーストまたはインパルス雑音でないと判断される。むしろ、スピーチ活動は、自然なスピーチであると判断される。式（９）および式（１０）で用いられる最小および最大持続期間しきい値が、単に例示のためであり、異なってもよいことが理解されなけらばならない。

工程４５０の条件が何も満たされない場合、工程４６０にて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）は、式（１１）、すなわち、

に従って修正される。

図５は、スピーチ活動が急な停止か、または無音を有するかを判断し、こうしたスピーチ活動が急な停止か、または無音を有すると判断されると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャート５００を示す。工程５０５にて、急な停止フレームフレームｌ_Ｍが求められる。急な停止フレームｌ_Ｍは、間隔Ｔ_ｉの全てのフレームｌを用いて、スピーチ活動におけるデルタ・フレーム包絡線Δｅ（ｌ）の負のピークを初めて見出すことによって求められる。デルタ・フレーム包絡線Δｅ（ｌ）は、３≦ｊ≦３について、Δｅ（ｌ）＜Δｅ（ｌ＋ｊ）である場合に、ｌにおいて負のピークを有する。負のピークが見出されると、急な停止フレームフレームｌ_Ｍは、デルタ・フレーム包絡線Δｅ（ｌ）の負のピークの最小値として求められる。工程５１０にて、デルタ・フレーム包絡線Δｅ（ｌ_Ｍ）がチェックされて、急な停止しきい値が満たされているかどうかが判断される。急な停止しきい値は、急な停止があると考えられる、１つのフレームｌから別のフレームｌ＋１へのフレーム包絡線における十分な負の変化が存在したかどうかを判断する基準を表す。一実施形態において、急な停止しきい値は−０．５６であり、工程５１０は、式（１２）、すなわち、
Δｅ（ｌ_Ｍ）＜−０．５６ （１２）
で表すことができる。デルタ・フレーム包絡線Δｅ（ｌ_Ｍ）が急な停止しきい値を満たさない場合、工程５１５にて、スピーチ活動が急な停止か、または無音を有さないと判断される。

デルタ・フレーム包絡線Δｅ（ｌ_Ｍ）が急な停止しきい値を満たす場合、工程５２０にて、間隔Ｔ_ｉがチェックされて、スピーチ活動が、十分な持続期間である、たとえば、短いバーストより長いかが判断される。一実施形態において、間隔Ｔ_ｉの持続期間がチェックされて、間隔Ｔ_ｉの持続期間が持続期間しきい値、たとえば６０ｍｓを超えているかが判断される。すなわち、Ｔ_ｉ＜６０ｍｓである場合、間隔Ｔ_ｉと関連するスピーチ活動は十分な持続期間でない。スピーチ活動が十分な持続期間でないと考えられる場合、工程５２５にて、スピーチ活動が急な停止か、または無音を有さないと判断される。

スピーチ活動が十分な持続期間であると考えられる場合、工程５３０にて、最大フレーム包絡線ｅ（ｌ）は、フレームｌ_Ｍの前の１つまたは複数のフレームからフレームｌ_Ｍ以降にわたって求められ、その後、停止エネルギーしきい値と比較される。停止エネルギーしきい値は、フレーム包絡線が、無音になる前に十分なエネルギーを有しているかどうかを判断する基準を表す。一実施形態において、最大フレーム包絡線ｅ（ｌ）は、フレームｌ_Ｍ−７からｌ_Ｍにわたって求められ、９．５の停止エネルギーしきい値と比較される。すなわち、

最大フレーム包絡線ｅ（ｌ）が停止エネルギーしきい値を満たさない場合、工程５３５にて、スピーチ活動が急な停止か、または無音を有さないと判断される。

最大フレーム包絡線ｅ（ｌ）が停止エネルギーしきい値を満たす場合、式（１３）、すなわち、

に従って、ｍ_Ｍ，…，ｍ_Ｍ＋６などのいくつかのフレームｍについて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）が修正される。ここで、ｍ_Ｍは、急な停止フレームｌ_Ｍによって最も影響を受けるフレームｍに対応する。

図６は、スピーチ活動が急な開始を有するかを判断し、こうしたスピーチ活動が急な開始を有すると判断すると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャート６００を示す。工程６０５にて、急な開始フレームｌ_Ｓが求められる。急な開始フレームフレームｌ_Ｓは、間隔Ｔ_ｉの全てのフレームｌを用いて、スピーチ活動におけるデルタ・フレーム包絡線Δｅ（ｌ）の正のピークを初めて見出すことによって求められる。デルタ・フレーム包絡線Δｅ（ｌ）は、３≦ｊ≦３について、Δｅ（ｌ）＞Δｅ（ｌ＋ｊ）である場合に、ｌにおいて正のピークを有する。正のピークが見出されると、急な開始フレームｌ_Ｓは、デルタ・フレーム包絡線Δｅ（ｌ）の正のピークの最大値として求められる。工程６１０にて、デルタ・フレーム包絡線Δｅ（ｌ_Ｓ）がチェックされて、急な開始しきい値が満たされているかどうかが判断される。急な開始しきい値は、急な開始があると考えられる、１つのフレームｌから別のフレームｌ＋１へのフレーム包絡線における十分な正の変化が存在したかどうかを判断する基準を表す。一実施形態において、急な開始しきい値は０．９であり、工程６１０は、式（１４）、すなわち、
Δｅ（ｌ_Ｓ）＞０．９ （１４）
で表すことができる。デルタ・フレーム包絡線Δｅ（ｌ_Ｓ）が急な開始しきい値を満たさない場合、工程６１５にて、スピーチ活動が急な開始を有さないと判断される。

デルタ・フレーム包絡線Δｅ（ｌ_Ｓ）が急な開始しきい値を満たす場合、工程６２０にて、間隔Ｔ_ｉがチェックされて、スピーチ活動が、十分な持続期間である、たとえば、短いバーストより長いかが判断される。一実施形態において、間隔Ｔ_ｉの持続期間がチェックされて、間隔Ｔ_ｉの持続期間が短いバーストしきい値、たとえば６０ｍｓを超えているかが判断される。すなわち、Ｔ_ｉ＜６０ｍｓである場合、間隔Ｔ_ｉと関連するスピーチ活動は十分な持続期間でない。スピーチ活動が十分な持続期間でない場合、工程６２５にて、スピーチ活動が急な開始を有さないと判断される。

スピーチ活動が十分な持続期間である場合、工程６３０にて、最大フレーム包絡線ｅ（ｌ）は、フレームｌ_Ｓを含むその前からフレームｌ_Ｓ後の１つまたは複数のフレームにわたって求められ、その後、開始エネルギーしきい値と比較される。開始エネルギーしきい値は、フレーム包絡線が、十分なエネルギーを有しているかどうかを判断する基準を表す。一実施形態において、最大フレーム包絡線ｅ（ｌ）は、フレームｌ_Ｓからｌ_Ｓ＋７にわたって求められ、１２の開始エネルギーしきい値と比較される。すなわち、

最大フレーム包絡線ｅ（ｌ）が開始エネルギーしきい値を満たさない場合、工程６３５にて、スピーチ活動が急な開始を有さないと判断される。

最大フレーム包絡線ｅ（ｌ）が開始エネルギーしきい値を満たす場合、式（１６）、すなわち、

に従って、ｍ_Ｓ，…，ｍ_Ｓ＋６などのいくつかのフレームｍについて、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）が修正される。ここで、ｍ_Ｓは、急な開始フレームｌ_Ｓによって最も影響を受けるフレームｍに対応する。式（１１）、（１３）、および（１６）で用いられる値が実験によって導出されたことを理解すべきである。他の値も可能である。したがって、本発明は、これらの特定の値に限定されるべきでない。

なお、修正した客観的なスピーチ・フレーム品質評価

が求まると、式（１７）、すなわち、
ν_ｓ（ｍ）＝ｍｉｎ（ν_ｓ，Ｉ（ｍ），ν_ｓ，Ｍ（ｍ），ν_ｓ，Ｓ（ｍ）） （１７）
を用いて、工程１４５で行った統合を行うことができる。ここで、ν_ｓ，Ｉ（ｍ）、ν_ｓ，Ｍ（ｍ）、およびν_ｓ，Ｓ（ｍ）はそれぞれ、式（１１）、式（１３）、および式（１６）の修正した客観的なスピーチ・フレーム品質評価

に対応する。

本発明は、一定の実施形態を参照してかなり詳細に述べられたが、他を用いたものが可能である。たとえば、フローチャートの工程の順序は、再編成されるか、あるいは、ある工程（または基準）が、フローチャートから削除されるか、または、フローチャートに追加されることができる。したがって、本発明の精神および範囲は、本明細書に含まれる実施形態の説明に限定されるべきではない。本発明は、あるタイプのプロセッサに組み込まれたハードウェアまたはソフトウェアのいずれとしても実施することができることもまた当業者に理解されるべきである。

本発明の一実施形態による、言語効果を考慮する客観的なスピーチ品質評価技法を説明するフローチャートである。 本発明の一実施形態による、スピーチ信号に関連する包絡線情報を調べることによって音声活動を検出する音声活動検出器（ＶＡＤ）を説明するフローチャートである。 スピーチおよびスピーチでない活動の間隔ＴおよびＧをそれぞれ説明する、例としてのＶＡＤ活動図である。 スピーチ活動が、短いバーストかまたはインパルス雑音であるかどうかが判断され、短いバーストかまたはインパルス雑音であると判断されると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャートである。 スピーチ活動が急な停止か、または無音を有するかを判断し、こうしたスピーチ活動が急な停止か、または無音を有すると判断されると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャートである。 スピーチ活動が急な開始を有するかどうかが判断され、スピーチ活動が急な開始を有すると判断されると、客観的なスピーチ・フレーム品質評価ν_ｓ（ｍ）を修正する実施形態を説明するフローチャートである。

Claims (10)

1. 客観的にスピーチ品質を評価する方法であって、
   スピーチ信号に関連する包絡線情報を用いてスピーチ活動の時間的間隔において各々の歪タイプについて歪みを検出するステップと、
   主観的スピーチ品質評価に対する該検出された歪みの影響をモデル化又はシュミュレートすることで、該スピーチ活動に関連する客観的スピーチ品質評価値を修正するステップと、
   該検出するステップに先立って、該包絡線情報を使用してスピーチ活動の該時間的間隔を決定するステップを含み、該スピーチ活動に関連する客観的スピーチ品質評価値を修正するステップによって修正されている該客観的スピーチ品質評価値が、検出された歪タイプに基づいている方法。
   
2. 該修正するステップは、該スピーチ活動についての該客観的スピーチ品質評価値を求めるステップを含む請求項１に記載の方法。
   
3. 該検出された歪みタイプは、インパルス雑音、急な停止または急な開始を含む請求項１に記載の方法。
   
4. 該検出するステップは歪みタイプを求めるステップを含む請求項１に記載の方法。
   
5. 該包絡線情報が、該スピーチ活動が人の聴取者によって雑音であると認識されることができることを示す場合で、且つ、該間隔が、人の聴取者によって認識されるのに十分に長いが、短いバーストについては長過ぎない持続期間である場合に、該歪みタイプがインパルス雑音であると判断される請求項４に記載の方法。
   
6. 該包絡線情報が、急な停止と考えられる、１つのフレームから別のフレームへのフレーム・エネルギーの十分な負の変化が存在したことを示す場合で、且つ、該間隔が短いバーストより長い持続期間である場合に、該歪みタイプが急な停止であると判断される請求項４に記載の方法。
   
7. 該包絡線情報が、急な開始と考えられる、１つのフレームから別のフレームへのフレーム・エネルギーの十分な正の変化が存在したことを示す場合で、且つ、該間隔が短いバーストより長い持続期間である場合に、該歪みタイプが急な開始であると判断される請求項４に記載の方法。
   
8. 客観的なスピーチ品質評価システムであって、
   スピーチ信号に関連する包絡線情報を用いてスピーチ活動の時間的間隔において各々の歪タイプについて歪みを検出する手段と、
   主観的スピーチ品質評価に対する該検出された歪みの影響をモデル化又はシュミュレートすることで、該スピーチ活動に関連する客観的スピーチ品質評価値を修正する手段とを備え、
   該歪を検出するのに先立って、該包絡線情報を使用してスピーチ活動の該時間的間隔を決定し、該スピーチ活動に関連する客観的スピーチ品質評価値を修正する手段によって修正されている該客観的スピーチ品質評価値が、検出された歪タイプに基づいている客観的なスピーチ品質評価システム。
   
9. 該修正する手段は、該スピーチ活動についての歪みを考慮することなく、該客観的スピーチ品質評価値を求める手段を含む請求項８に記載の客観的なスピーチ品質評価システム。
   
10. 該検出する手段は歪みタイプを求める手段を含む請求項８に記載の客観的なスピーチ品質評価システム。

Images